Apprentissage Machine peut aider à prévoir l’évolution de SLA

17-01-2023

Selon une autre étude, plus le diagnostic est tardif, plus le résultat est mauvais.

Selon une nouvelle étude, des modèles d'apprentissage profond utilisant des réseaux neuronaux - des algorithmes informatiques inspirés des réseaux biologiques du cerveau humain - peuvent aider à prédire l'évolution de la SLA.

Les modèles ont également montré de manière cohérente qu'un délai plus long entre l'apparition de la maladie et le diagnostic est un puissant facteur prédictif de la détérioration des résultats à long terme, soulignant l'importance d'un diagnostic précoce.

L'étude, intitulée "Deep learning methods to predict amyotrophic lateral sclerosis disease progression", a été publiée dans Scientific Reports.

La SLA est une maladie notoirement difficile à prévoir - le taux de progression peut varier considérablement d'une personne à l'autre, et l'incertitude quant au pronostic peut rendre plus difficile la planification de l'avenir pour les patients et leurs familles.

L'apprentissage automatique est une forme d'analyse qui consiste essentiellement à fournir à un ordinateur un ensemble de données, ainsi qu'un ensemble d'algorithmes que l'ordinateur utilise pour "comprendre" ces données. Cela permet à l'ordinateur d'"apprendre" comment donner un sens aux données selon les règles mathématiques prescrites. Un domaine de recherche en plein essor explore la manière dont les modèles d'apprentissage automatique pourraient être appliqués pour prédire les résultats de la SLA et d'autres maladies.

Pour cette étude, des scientifiques italiens ont créé des algorithmes d'apprentissage automatique appelés "réseaux neuronaux" visant à prédire la progression de la SLA. Un algorithme d'apprentissage automatique de type réseau neuronal utilise une série de procédures conçues pour imiter la manière dont les informations sont traitées par les réseaux de neurones (cellules nerveuses) dans le cerveau.

L'équipe a spécifiquement conçu et testé trois types différents de structures de réseaux neuronaux, appelés "feed-forward", "convolutionnel" et "récurrent".

Pour développer et tester les modèles, les chercheurs ont utilisé les données du référentiel Pooled Resource Open-Access ALS Clinical Trials (PRO-ACT), une base de données qui recueille les résultats à long terme et les informations cliniques des patients atteints de SLA ayant participé à des essais cliniques.

PRO-ACT "fournit la plus grande base de données publiquement disponible d'essais cliniques fusionnés sur la SLA" avec "des données longitudinales pour plus de dix mille patients", ont écrit les chercheurs. Cependant, ils ont également noté que l'ensemble de données "n'est pas représentatif de la distribution générale de la SLA", car les patients de l'ensemble de données sont généralement plus jeunes et plus proches du début de la maladie.

En utilisant les données de plus de 250 variables démographiques et cliniques différentes, les réseaux neuronaux ont été entraînés à prédire les résultats de l'échelle d'évaluation fonctionnelle de la SLA (ALSFRS), une mesure standardisée de la progression de la maladie. Les algorithmes des réseaux neuronaux ont été comparés à deux algorithmes d'apprentissage automatique précédemment établis, appelés Random Forest Regressor (RF) et Bayesian Additive Regression Trees (BART).

Les tests statistiques ont suggéré que tous ces modèles avaient des performances similaires, avec des avantages et des inconvénients relatifs pour chacun. Par rapport à RF et BART, les modèles de réseaux neuronaux présentaient généralement des plages d'erreur plus faibles, mais aussi une précision globale légèrement inférieure à celle de BART. Parmi les réseaux neuronaux, le modèle "convolutionnel" a généralement affiché les meilleures performances.

"Bien que les modèles de réseaux neuronaux d'apprentissage profond aient obtenu des résultats comparables à ceux des modèles de pointe, ils n'ont pas apporté un avantage décisif", ont écrit les chercheurs, notant que les réseaux neuronaux ont montré "un léger avantage" dans certains tests statistiques, mais "un léger désavantage" dans d'autres

Facteur le plus prédictif 
IDans tous ces modèles, le facteur le plus prédictif des résultats globaux était le temps écoulé entre l'apparition des symptômes de la SLA et le moment où la maladie a été diagnostiquée.

Les chercheurs ont également vérifié si les modèles pouvaient prédire les résultats en matière de survie. Les résultats ont généralement montré de faibles corrélations. En d'autres termes, les modèles n'étaient pas très précis pour prédire les résultats de survie des patients individuels. Mais les résultats ont montré que les modèles pouvaient diviser avec précision les patients en deux groupes : les "progresseurs rapides" et les "progresseurs moyens-lents", avec des taux de survie à long terme systématiquement meilleurs dans le groupe à progression lente.

"Malgré les limites observées dans la performance du modèle, nous avons montré que la pente prédite de l'ALSFRS est capable de distinguer les personnes qui progressent rapidement et dont la survie est plus mauvaise de celles qui progressent moyennement lentement, et qu'elle est donc prédictive d'événements cliniques concrets dans l'histoire du patient", ont conclu les chercheurs.n all of these models, the single factor that was most predictive of overall outcomes was the time between the onset of ALS symptoms and the time when the disease was diagnosed.

Traduction: Eric Kisbulck
                            Source: ALS News Today
 

Share